




版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、陶瓷學(xué)報(bào)JOURNAL OF CERAMICS第31卷第1期2010年3月文章編號(hào):1000-2278(201001-0136-04一種基于粗糙集神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法秦祎晗柳炳祥彭文(景德鎮(zhèn)陶瓷學(xué)院信息工程學(xué)院,景德鎮(zhèn):333403摘要文章在分析粗糙集和神經(jīng)網(wǎng)絡(luò)各自優(yōu)勢和存在問題的基礎(chǔ)上,設(shè)計(jì)了一種將兩者綜合集成的新方法。該方法利用粗糙集對(duì)神經(jīng)網(wǎng)絡(luò)待處理的數(shù)據(jù)進(jìn)行屬性約簡,借此來簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),然后利用三層BP 神經(jīng)網(wǎng)絡(luò)建立陶瓷原料分類模型。實(shí)驗(yàn)結(jié)果表明,粗糙集神經(jīng)網(wǎng)絡(luò)方法用于陶瓷原料分類是可行的和有效的,有助于對(duì)陶瓷原料的選取,有一定的理論意義和實(shí)際應(yīng)用價(jià)值。關(guān)鍵詞粗糙集,屬性約簡,
2、BP 神經(jīng)網(wǎng)絡(luò),陶瓷原料中圖分類號(hào):TQ174.4文獻(xiàn)標(biāo)識(shí)碼:A1引言陶瓷行業(yè)的發(fā)展,離不開優(yōu)質(zhì)的陶瓷原料,而優(yōu)質(zhì)陶瓷原料必須具備專業(yè)化、標(biāo)準(zhǔn)化和商品化的特點(diǎn)。陶瓷原料的專業(yè)化、標(biāo)準(zhǔn)化、商品化是陶瓷企業(yè)組織現(xiàn)代陶瓷生產(chǎn)的重要手段,是陶瓷企業(yè)進(jìn)行科學(xué)管理的重要組成部分,是企業(yè)生產(chǎn)高檔次、高質(zhì)量、高技術(shù)含量陶瓷產(chǎn)品的基礎(chǔ)。陶瓷材料制品由多種無機(jī)非金屬材料構(gòu)成,所用原料大部分是天然的礦物原料或者是巖石原料,這些原料種類繁多,分布廣泛,結(jié)構(gòu)復(fù)雜,成分多變。由于陶瓷原料未能實(shí)現(xiàn)標(biāo)準(zhǔn)化、專業(yè)化和商品化,這對(duì)陶瓷原料本身和產(chǎn)品品質(zhì)產(chǎn)生較大影響,甚至造成浪費(fèi)。陶瓷原料在陶瓷生產(chǎn)過程中發(fā)揮著重要的作用,因此對(duì)陶
3、瓷原料進(jìn)行遴選是必要的。如何科學(xué)、合理地對(duì)陶瓷原料進(jìn)行分類,選擇適合自己工藝流程的陶瓷原料,是眾多陶瓷企業(yè)迫切需要解決的問題。陶瓷企業(yè)越來越關(guān)注于陶瓷原料的選擇,對(duì)陶瓷原料進(jìn)行分類顯得非常重要。因此,在陶瓷原料分類研究中,許多學(xué)者提出了不同方法。文章在文獻(xiàn)2的基礎(chǔ)上,利用粗糙集可分辨矩陣對(duì)陶瓷原料特征參數(shù)進(jìn)行屬性約簡,然后使用BP 神經(jīng)網(wǎng)絡(luò)誤差反向傳播方法,通過選取約簡后的陶瓷原料特征參數(shù),訓(xùn)練樣本,得到最佳網(wǎng)絡(luò)參數(shù),進(jìn)而對(duì)目標(biāo)陶瓷原料進(jìn)行識(shí)別和分類。該方法不僅減小了網(wǎng)絡(luò)規(guī)模,同時(shí)通過消除對(duì)象冗余屬性,減少了網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)負(fù)擔(dān),通過消除噪聲提高BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度。此方法充分發(fā)揮了粗糙集和B
4、P 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢,彌補(bǔ)各自缺點(diǎn),能較好地解決這種模糊的、不確定情況的決策問題。實(shí)驗(yàn)結(jié)果表明,該方法準(zhǔn)確性好,成功率高,是一種有效的處理方法。2相關(guān)理論2.1粗糙集1定義1:設(shè)S=(U,A,V,F是一個(gè)信息系統(tǒng),如果每個(gè)屬性a A 都是A 中不可約去的,即:IND(A-aIND(A,稱屬性a 在A 中是必要的,否則稱a 在A 中是多余的。定義2:設(shè)S=(U,A,V,F是一個(gè)信息系統(tǒng),如果每個(gè)屬性a A 在A 中都是必要的,則稱屬性集A 是獨(dú)立的,否則稱A 是相關(guān)的。如果是相關(guān)屬性集,其中必然包含多余屬性,可以對(duì)其進(jìn)行約簡。定義3:設(shè)S=(U,A,V,F是一個(gè)信息系統(tǒng),中所有必要的屬性組成的集合
5、稱為屬性集的核,記為收稿日期:2009-12-01圖1三層BP 模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.1Three-layer BP neural networkCORE(A。定義4:設(shè)S=(U,A,V,F是一個(gè)信息系統(tǒng),P 哿A ,如果IND(P=IND(A,且P 是獨(dú)立的,則稱P 是A 的一個(gè)最小子集,記為RED(P。一個(gè)屬性集A 可能有多個(gè)最小子集。定義5:所有屬性集A 的簡化RED (P的交集CORE(A=RED(P,即為屬性集A 的CORE(A,它是不能被消去的知識(shí)特征的集合。分辨矩陣(Discernibility Matrix是由波蘭華沙大學(xué)的數(shù)學(xué)家A.Skowron 提出的,是近年來在粗糙集約簡上
6、出現(xiàn)的一個(gè)有力的工具。利用這個(gè)工具,可以將存在于復(fù)雜信息系統(tǒng)中的全部不可分辨關(guān)系表達(dá)出來。首先給出分辨矩陣的概念:設(shè)信息系統(tǒng)S=(U,A,V,F,A=a 1,.,a m 的分辨矩陣為M(S,M(S是n ×n 的矩陣,m ij 表示分辨矩陣中第i 行、第j 列元素,每一個(gè)元素m ij 都是A 的一個(gè)子集,即:m ij 哿A 。M(S中的元素確定如下:m=a A a(x i a(x i D(x i D(x i D(x i =D(x i i,j=1,2,.nD(x i 表示所有與x i 在關(guān)系IDN(A下是等價(jià)的元素相應(yīng)的決策屬性值構(gòu)成的集合的基數(shù)。M(S是一個(gè)主對(duì)角線為0的對(duì)稱矩陣,由于
7、其對(duì)稱性,可以只利用下三角部分表示,使其計(jì)算量減少將近一半。2.2BP 神經(jīng)網(wǎng)絡(luò)8BP 網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中研究最多、應(yīng)用最廣的網(wǎng)絡(luò)之一。BP 算法的基本思想是,學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí),輸入樣本從輸入層傳入,經(jīng)各隱層逐層處理后,傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符,則轉(zhuǎn)入誤差的反向傳播階段。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到設(shè)定閾值或到設(shè)定的學(xué)習(xí)次數(shù)為止。圖1所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。3粗糙集BP 神經(jīng)網(wǎng)絡(luò)融合模型3.1粗糙集BP 神經(jīng)網(wǎng)絡(luò)融合模型粗糙集和BP 神經(jīng)網(wǎng)絡(luò)都是處理不確定、不完全信息
8、的方法,粗糙集方法考慮知識(shí)表達(dá)中不同屬性的重要性,哪些知識(shí)是重要的,確定哪些知識(shí)是冗余的,并且刪除冗余知識(shí)保留重要知識(shí)。而BP 神經(jīng)網(wǎng)絡(luò)利用非線映射思想和并行處理方法對(duì)輸入與輸出關(guān)聯(lián)知識(shí)的隱函數(shù)編碼。文章將粗糙集與BP 神經(jīng)網(wǎng)絡(luò)這兩種理論有機(jī)地結(jié)合,并將其融合模型用于選取陶瓷原料的研究,提出了一種基于粗糙集BP 神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法。粗糙集BP 神經(jīng)網(wǎng)絡(luò)陶瓷原料分類方法的實(shí)質(zhì)就是在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上,應(yīng)用粗糙集方法在不改變原有決策規(guī)則的前提下,對(duì)知識(shí)系統(tǒng)中的屬性和論域中的對(duì)象進(jìn)行約簡,求出簡化的決策規(guī)則,并應(yīng)用此規(guī)則對(duì)BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或?qū)哟芜M(jìn)行簡化,對(duì)BP 神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)加以克
9、服,從而提高BP 神經(jīng)網(wǎng)絡(luò)的效率和訓(xùn)練質(zhì)量。這樣既減小了網(wǎng)絡(luò)的規(guī)模,同時(shí)通過消除對(duì)象冗余減少了網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)負(fù)擔(dān),通過消除噪聲提高了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度。其目的是豐富陶瓷原料分類的理論與方法,增強(qiáng)實(shí)踐經(jīng)驗(yàn),為更好地選擇陶瓷原料提供更為可靠的決策支持。通過資料收集,得到陶瓷原料數(shù)據(jù)信息。陶瓷原料的組成包含SiO 2、Al 2O 3、K 2O 、Na 2O 、CaO 、MgO 、Fe 2O 3和TiO 2等多種氧化物及燒失量I.L ,氧化物之間存在一定的配比關(guān)系,不同的配比關(guān)系對(duì)應(yīng)不同的陶瓷原料。文章先利用粗糙集屬性約簡方法對(duì)原始數(shù)據(jù)進(jìn)行屬性約簡,消除樣本中噪聲(不一致對(duì)象。把簡化后的樣本數(shù)據(jù)
10、輸入BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,BP 神經(jīng)網(wǎng)絡(luò)對(duì)輸入每一個(gè)同樣的訓(xùn)練集對(duì)象進(jìn)行學(xué)習(xí),學(xué)習(xí)采用反向誤差傳播的BP 算法,學(xué)習(xí)過程中用反向誤差傳播來調(diào)整決策規(guī)則的依賴因素,最后利用BP 神經(jīng)網(wǎng)絡(luò)輸出結(jié)果對(duì)陶瓷原料進(jìn)行分類。3.2基于粗糙集BP 神經(jīng)網(wǎng)絡(luò)融合模型在陶瓷原料分類的應(yīng)用實(shí)例表1粗糙集BP 神經(jīng)網(wǎng)絡(luò)對(duì)10種陶瓷原料預(yù)測結(jié)果Tab.1Predicting results for 10ceramic materials by the rough set and the BP neural network序號(hào)輸出節(jié)點(diǎn)粗糙集BP 網(wǎng)絡(luò)預(yù)測原料的類別原料實(shí)際所屬類別0.92770.000033圖230種
11、陶瓷原料粘土組成成分Fig.2Compositions of 30ceramic clays圖5測試樣本Fig.5Testing samples圖4訓(xùn)練樣本Fig.4Training samples圖3陶瓷原料屬性約簡后決策表Fig.3Results of attribute reduction for the choice ofceramic raw materials文章根據(jù)文獻(xiàn)6和有關(guān)工廠收集的數(shù)據(jù),抽取30種陶瓷原料,如圖2所示。對(duì)30種陶瓷原料進(jìn)行數(shù)據(jù)離散,論域有30個(gè)樣品,編號(hào)1-30,其條件屬性集是A,B,C,D,E,F,G,H,I分別代表SiO 2,Al 2O 3,Fe 2O
12、3,CaO ,MgO ,K 2O ,Na 2O ,TiO 2,I.L,決策屬性是M 代表類別。將其屬性值連續(xù)數(shù)據(jù)離散化,并且進(jìn)行屬性約簡,結(jié)果如圖3所示。將圖4中陶瓷原料的數(shù)據(jù)作為訓(xùn)練樣本,特征參數(shù)A ,B ,F ,I 作為BP 神經(jīng)網(wǎng)絡(luò)的輸入,類別M 為輸出。輸出00表示屬于第1類陶瓷原料,01表示屬于第2類陶瓷原料,10表示屬于第3類陶瓷原料,11表示屬于第4類陶瓷原料。先對(duì)圖3中的數(shù)據(jù)進(jìn)行歸一化,然后按照BP神經(jīng)網(wǎng)絡(luò)原理不斷調(diào)整網(wǎng)絡(luò)參數(shù),直到訓(xùn)練結(jié)果符合BP神經(jīng)網(wǎng)絡(luò)的要求。訓(xùn)練結(jié)束后,可以用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型判別未知樣品,將圖4中待判別原料的特征參數(shù)進(jìn)行歸一化,然后輸入BP神經(jīng)網(wǎng)絡(luò)
13、模型,進(jìn)行模式識(shí)別和分類,預(yù)測結(jié)果如表1所示。從表1中可以清楚看到,對(duì)未知樣品的判別輸出結(jié)果與實(shí)際結(jié)果一致??梢?粗糙集BP神經(jīng)網(wǎng)絡(luò)對(duì)陶瓷原料進(jìn)行分類是有效的。在調(diào)試配方時(shí),可以利用粗糙集BP神經(jīng)網(wǎng)絡(luò)模型對(duì)擬用的陶瓷原料進(jìn)行識(shí)別和分類,幫助選擇原料。利用粗糙集BP神經(jīng)網(wǎng)絡(luò)可以建立陶瓷原料特征參數(shù)與其種類關(guān)系的模型,在模式識(shí)別方面具有強(qiáng)大的功能,只要選擇并訓(xùn)練好粗糙集BP神經(jīng)網(wǎng)絡(luò)參數(shù),就可以得到較精確的分類,誤差很小,顯示出粗糙集BP神經(jīng)網(wǎng)絡(luò)高容量、高速度及強(qiáng)大的糾錯(cuò)能力,具有一定的實(shí)用價(jià)值。利用粗糙集BP神經(jīng)網(wǎng)絡(luò)對(duì)陶瓷原料進(jìn)行分類,其結(jié)果有助于新配方的研制和舊配方的維持,在實(shí)際生產(chǎn)中進(jìn)行運(yùn)用。
14、4結(jié)論文章利用粗糙集的數(shù)據(jù)分析與處理能力,消除噪音干擾,并對(duì)輸入?yún)?shù)集進(jìn)行約簡,減少了信息表達(dá)的特征數(shù)量,簡化神經(jīng)網(wǎng)絡(luò)輸入變量的個(gè)數(shù),降低了BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的復(fù)雜性,提高了網(wǎng)絡(luò)訓(xùn)練速度和運(yùn)行速度,減少網(wǎng)絡(luò)訓(xùn)練時(shí)間,提高了整個(gè)融合系統(tǒng)速度。該模型通過粗糙集方法,使用BP神經(jīng)網(wǎng)絡(luò)作為后置的信息識(shí)別系統(tǒng),提高了模型的容錯(cuò)能力和抗干擾能力。通過陶瓷原料歷史數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果驗(yàn)證了粗糙集BP神經(jīng)網(wǎng)絡(luò)融合模型在陶瓷原料分類中是可行的和有效的,為陶瓷原料分類提供了一種新的分析思路和研究方法。參考文獻(xiàn)3Pawlak Z.Rough Sets:Theoretical Aspects of Reasoning a
15、bout Data.Dordrecht:Kluwer Academic Publishers,19915葛哲學(xué),孫志強(qiáng)等.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn).北京:電子工業(yè)出版社,20077Zdzistaw Pawlak and Andrzej Skowron.Rough sets and Boolean reasoning.Information Sciences,2007,177:4173A CLASSIFICATION METHOD FOR CERAMIC RAW MATERIALSBASED ON ROUGH SET AND NEURAL NETWORKQin Yihan Li
16、u Bingxiang Peng Wen(School of Information Engineering,Jingdezhen Ceramic Institute,Jingdezhen333403AbstractA new method combining the advantages of the rough set theory and neural network theory was presented.The attributes of the data were reduced according to the rough set theory,thereby to simplify the neural network structure;three-layer artificial neural network is applied to the classification of ceramic raw materials.The results demonstrate that pattern recognition of ceramic raw materials by the rough set an
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 中國康復(fù)醫(yī)療服務(wù)行業(yè)市場規(guī)模測算邏輯模型
- 2025年度南京地區(qū)建筑勞務(wù)派遣合作協(xié)議書
- 2025年度安防技術(shù)研發(fā)合伙人股份協(xié)議
- 二零二五年度荒山承包合同(生態(tài)修復(fù)與水源保護(hù))
- 便利店裝修施工合同范本
- 2025年度簽待崗協(xié)議對(duì)員工職業(yè)生涯規(guī)劃指導(dǎo)手冊
- 2025年度平房房屋出租合同(含周邊商業(yè)合作權(quán)益)
- 2025年湖南體育職業(yè)學(xué)院單招職業(yè)傾向性測試題庫完整
- 2025年湖南商務(wù)職業(yè)技術(shù)學(xué)院單招職業(yè)技能測試題庫必考題
- 2024年三季度報(bào)重慶地區(qū)A股主營業(yè)務(wù)收入增長率排名前十大上市公司
- 2024年達(dá)州市總工會(huì)招聘工會(huì)社會(huì)工作者筆試真題
- 2025至2030年中國肌酸數(shù)據(jù)監(jiān)測研究報(bào)告
- 1.2 讀懂彼此的心 第二課時(shí) 課件 2024-2025學(xué)年五年級(jí)下冊道德與法治 統(tǒng)編版
- 2025年度電視產(chǎn)品進(jìn)出口貿(mào)易合同4篇
- 2025年“開學(xué)第一課”觀后感心得體會(huì)(3篇)
- 2024年湖南食品藥品職業(yè)學(xué)院高職單招語文歷年參考題庫含答案解析
- 外科護(hù)理5分鐘小講課
- 《船舶油漆作業(yè)》課件
- 2025年中國融通農(nóng)發(fā)社會(huì)招聘筆試參考題庫含答案解析
- 2025年天津市寧河區(qū)事業(yè)單位招聘12人高頻重點(diǎn)提升(共500題)附帶答案詳解
- 2024年福建省莆田市數(shù)學(xué)三上期末質(zhì)量檢測模擬試題含解析
評(píng)論
0/150
提交評(píng)論